AI Benchy リーダーボード

Name: AI BENCHY モデルベンチマーク結果
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

ベンチマークは AI BENCHY テストスイートから次の日時に生成: 2026-10-01 評価済みモデル数: 382

382/382

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#276#276	Step 3.5 Flashmedium	5.4	Stepfun	$0.105	190.48s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 49.3% 不安定なテスト 3 入力トークン 139,086 出力トークン 193,584 推論トークン 413,546 応答時間（平均） 190.48s 応答時間（合計） 3238.23s 応答時間（最大） 1597.85s 不正解: 6 指示に従っていない: 3 API エラー: 1 回答なし: 1 タイムアウト: 1 エージェントタスク : 2.8 反AIトリック : 10.0 コーディング : 2.4 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 5.5 指示追従 : 8.3 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#277#277	Ember-1none	5.4	Fireworks	$0.786	22.65s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 8.8 試行ごとの合格率 43.5% 不安定なテスト 4 入力トークン 202,617 出力トークン 11,832 推論トークン 0 応答時間（平均） 22.65s 応答時間（合計） 520.91s 応答時間（最大） 93.12s 不正解: 10 API エラー: 5 エージェントタスク : 6.1 反AIトリック : 5.2 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 6.4 ドメイン特化 : 5.3 汎用知能 : 5.0 指示追従 : 6.4 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#278#278	Hy3 previewmedium	5.3	Tencent	$0.049 ↕	16.28s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 60.9% 不安定なテスト 0 入力トークン 27,030 出力トークン 73,544 推論トークン 0 応答時間（平均） 16.28s 応答時間（合計） 293.12s 応答時間（最大） 46.04s API エラー: 3 不正解: 3 指示に従っていない: 1 エージェントタスク : 0.0 反AIトリック : 10.0 コーディング : 5.3 複合 : 5.0 データ解析と抽出 : 6.5 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#279#279	GPT-5.6 Lunanone	5.3	OpenAI	$0.042 ↓	3.78s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 34.8% 不安定なテスト 3 入力トークン 230,744 出力トークン 8,000 推論トークン 0 応答時間（平均） 3.78s 応答時間（合計） 86.83s 応答時間（最大） 53.77s 不正解: 15 余分な書式: 1 無効なツール呼び出し: 1 エージェントタスク : 5.0 反AIトリック : 4.8 コーディング : 3.8 複合 : 3.2 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 5.0 指示追従 : 7.1 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#280#280	Granite 4.2 8Blow	5.3	IBM Granite	$0.036	58.20s
モデルカードを見る合計テスト数 23 誤答テスト数 16 信頼性 9.2 試行ごとの合格率 33.3% 不安定なテスト 1 入力トークン 332,917 出力トークン 18,989 推論トークン 42,362 応答時間（平均） 58.20s 応答時間（合計） 1338.65s 応答時間（最大） 566.80s 不正解: 11 タイムアウト: 3 指示に従っていない: 1 回答なし: 1 エージェントタスク : 6.1 反AIトリック : 8.3 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 5.3 汎用知能 : 4.0 指示追従 : 3.0 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#281#281	Kimi K2.5none	5.3	Moonshot AI	$0.262 ↑	35.86s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 29.0% 不安定なテスト 4 入力トークン 275,349 出力トークン 49,389 推論トークン 0 応答時間（平均） 35.86s 応答時間（合計） 609.61s 応答時間（最大） 321.19s 不正解: 17 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 3.6 コーディング : 5.5 複合 : 2.8 データ解析と抽出 : 7.3 ドメイン特化 : 3.0 汎用知能 : 10.0 指示追従 : 6.5 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#282#282	Qwen3.6 Max Previewnone	5.3	Qwen	$0.228 ↓	7.82s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 9.9 試行ごとの合格率 53.6% 不安定なテスト 2 入力トークン 106,348 出力トークン 19,257 推論トークン 0 応答時間（平均） 7.82s 応答時間（合計） 172.04s 応答時間（最大） 102.62s 不正解: 11 エージェントタスク : 0.0 反AIトリック : 5.2 コーディング : 3.8 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.3 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#283#283	Laguna XS 2.1none	5.3	Poolside	$0.020	4.56s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 29.0% 不安定なテスト 3 入力トークン 270,072 出力トークン 23,173 推論トークン 0 応答時間（平均） 4.56s 応答時間（合計） 104.80s 応答時間（最大） 70.79s 不正解: 14 無効なツール呼び出し: 2 指示に従っていない: 1 タイムアウト: 1 エージェントタスク : 5.0 反AIトリック : 5.3 コーディング : 4.3 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.0 指示追従 : 3.8 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#284#284	Qwen3.6 35B A3Bnone	5.3	Qwen	$0.105 ↑	8.43s
モデルカードを見る合計テスト数 23 誤答テスト数 19 信頼性 10.0 試行ごとの合格率 29.0% 不安定なテスト 6 入力トークン 272,479 出力トークン 63,781 推論トークン 0 応答時間（平均） 8.43s 応答時間（合計） 176.93s 応答時間（最大） 65.61s 不正解: 13 API エラー: 2 指示に従っていない: 2 無効なツール呼び出し: 1 回答なし: 1 エージェントタスク : 5.2 反AIトリック : 3.6 コーディング : 5.5 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 4.4 指示追従 : 6.2 パズル解決 : 3.2 ツール呼び出し : 3.0 雑学 : 3.0
#285#285	Inkling Smalllow	5.2	Thinkingmachines	$0.055 ↓	1.99s
モデルカードを見る合計テスト数 23 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 47.8% 不安定なテスト 4 入力トークン 81,447 出力トークン 2,715 推論トークン 11,971 応答時間（平均） 1.99s 応答時間（合計） 45.67s 応答時間（最大） 5.82s 不正解: 9 指示に従っていない: 2 無効なツール呼び出し: 2 API エラー: 1 エージェントタスク : 3.0 反AIトリック : 9.2 コーディング : 4.6 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.3 指示追従 : 9.9 パズル解決 : 5.3 ツール呼び出し : 3.0 雑学 : 3.0
#286#286	Ling 3.0 Flashnone	5.2	Inclusionai	$0.004 ↕	3.40s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 26.1% 不安定なテスト 0 入力トークン 123,993 出力トークン 12,777 推論トークン 0 応答時間（平均） 3.40s 応答時間（合計） 74.77s 応答時間（最大） 17.51s 不正解: 13 API エラー: 2 指示に従っていない: 1 無効なツール呼び出し: 1 エージェントタスク : 3.0 反AIトリック : 4.8 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 4.8 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#287#287	Nemotron 3.5 Lightninghigh	5.2	NVIDIA	$0.117 ↕	77.08s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 9.6 試行ごとの合格率 47.8% 不安定なテスト 12 入力トークン 170,517 出力トークン 149,968 推論トークン 509,725 応答時間（平均） 77.08s 応答時間（合計） 1772.78s 応答時間（最大） 490.99s 不正解: 11 指示に従っていない: 4 余分な書式: 1 無効なツール呼び出し: 1 タイムアウト: 1 エージェントタスク : 3.5 反AIトリック : 5.5 コーディング : 4.4 複合 : 6.4 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 3.7 指示追従 : 8.5 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#288#288	KAT Coder AIR V2.5high	5.2	Kwaipilot	$0.077	15.23s
モデルカードを見る合計テスト数 23 誤答テスト数 16 信頼性 9.8 試行ごとの合格率 40.6% 不安定なテスト 5 入力トークン 50,423 出力トークン 4,144 推論トークン 110,510 応答時間（平均） 15.23s 応答時間（合計） 350.26s 応答時間（最大） 118.35s 不正解: 9 API エラー: 4 余分な書式: 3 エージェントタスク : 3.0 反AIトリック : 6.9 コーディング : 4.3 複合 : 6.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 3.5 ツール呼び出し : 10.0 雑学 : 3.0
#289#289	Mimo V2 PROmedium	5.2	Xiaomi	$0.333 ↑	22.16s
モデルカードを見る合計テスト数 21 誤答テスト数 9 信頼性 9.6 試行ごとの合格率 66.7% 不安定なテスト 5 入力トークン 40,961 出力トークン 2,518 推論トークン 81,801 応答時間（平均） 22.16s 応答時間（合計） 443.22s 応答時間（最大） 136.29s 不正解: 5 API エラー: 1 余分な書式: 1 指示に従っていない: 1 タイムアウト: 1 エージェントタスク : 0.0 反AIトリック : 10.0 コーディング : 6.0 複合 : 2.3 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 9.9 パズル解決 : 6.4 ツール呼び出し : 10.0 雑学 : 3.0
#290#290	MiMo-V2-Flashmedium	5.1	Xiaomi	$0.043 ↑	20.11s
モデルカードを見る合計テスト数 21 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 59.4% 不安定なテスト 3 入力トークン 40,111 出力トークン 12,476 推論トークン 125,039 応答時間（平均） 20.11s 応答時間（合計） 301.59s 応答時間（最大） 96.01s 不正解: 5 API エラー: 1 余分な書式: 1 指示に従っていない: 1 タイムアウト: 1 エージェントタスク : 0.0 反AIトリック : 8.1 コーディング : 6.0 複合 : 4.9 データ解析と抽出 : 6.5 ドメイン特化 : 5.9 汎用知能 : 4.0 指示追従 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#291#291	Mistral Small 4medium	5.1	Mistral	$0.126 ↑	12.68s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 9.7 試行ごとの合格率 42.0% 不安定なテスト 8 入力トークン 321,955 出力トークン 41,555 推論トークン 94,946 応答時間（平均） 12.68s 応答時間（合計） 291.66s 応答時間（最大） 59.15s 不正解: 14 指示に従っていない: 2 API エラー: 1 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 5.6 コーディング : 4.4 複合 : 3.0 データ解析と抽出 : 7.3 ドメイン特化 : 5.9 汎用知能 : 4.8 指示追従 : 7.3 パズル解決 : 3.4 ツール呼び出し : 10.0 雑学 : 3.0
#292#292	Mistral Small 4none	5.1	Mistral	$0.047	3.12s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 24.6% 不安定なテスト 1 入力トークン 265,602 出力トークン 10,913 推論トークン 0 応答時間（平均） 3.12s 応答時間（合計） 71.87s 応答時間（最大） 45.46s 不正解: 17 指示に従っていない: 1 エージェントタスク : 5.0 反AIトリック : 3.4 コーディング : 3.7 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.0 指示追従 : 6.5 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#293#293	Mercury 2.5low	5.1	Inception	$0.020	3.34s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 9.8 試行ごとの合格率 37.7% 不安定なテスト 5 入力トークン 326,083 出力トークン 7,224 推論トークン 33,078 応答時間（平均） 3.34s 応答時間（合計） 76.80s 応答時間（最大） 47.06s 不正解: 14 API エラー: 1 無効なツール呼び出し: 1 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 6.9 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 4.4 指示追従 : 2.9 パズル解決 : 5.9 ツール呼び出し : 9.8 雑学 : 3.0
#294#294	KAT Coder AIR V2.5medium	5.1	Kwaipilot	$0.048	8.32s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 9.6 試行ごとの合格率 43.5% 不安定なテスト 3 入力トークン 51,369 出力トークン 8,008 推論トークン 58,568 応答時間（平均） 8.32s 応答時間（合計） 191.40s 応答時間（最大） 48.19s 不正解: 10 API エラー: 2 余分な書式: 1 指示に従っていない: 1 タイムアウト: 1 エージェントタスク : 3.0 反AIトリック : 8.7 コーディング : 3.6 複合 : 6.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 10.0 パズル解決 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#295#295	MiMo-V2.5-Pronone	5.1	Xiaomi	$0.135 ↓	6.21s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 31.9% 不安定なテスト 4 入力トークン 273,075 出力トークン 17,069 推論トークン 0 応答時間（平均） 6.21s 応答時間（合計） 142.89s 応答時間（最大） 53.13s 不正解: 12 指示に従っていない: 4 無効なツール呼び出し: 1 回答なし: 1 エージェントタスク : 3.9 反AIトリック : 3.3 コーディング : 4.3 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 4.0 指示追従 : 6.4 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#296#296	Laguna S 2.1medium	5.0	Poolside	$0.092 ↑	63.06s
モデルカードを見る合計テスト数 23 誤答テスト数 19 信頼性 10.0 試行ごとの合格率 24.6% 不安定なテスト 4 入力トークン 230,291 出力トークン 99,030 推論トークン 287,794 応答時間（平均） 63.06s 応答時間（合計） 1450.31s 応答時間（最大） 560.31s 不正解: 14 無効なツール呼び出し: 2 回答なし: 2 指示に従っていない: 1 エージェントタスク : 3.4 反AIトリック : 3.4 コーディング : 5.3 複合 : 3.2 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 4.6 指示追従 : 4.2 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#297#297	Mercury 2.5 Previewlow	5.0	Inception	$0.015 ↑	4.92s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 9.9 試行ごとの合格率 44.9% 不安定なテスト 8 入力トークン 235,438 出力トークン 8,136 推論トークン 28,734 応答時間（平均） 4.92s 応答時間（合計） 113.24s 応答時間（最大） 84.47s 不正解: 13 指示に従っていない: 2 API エラー: 1 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 5.6 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 4.1 汎用知能 : 5.0 指示追従 : 6.3 パズル解決 : 8.2 ツール呼び出し : 2.8 雑学 : 3.0
#298#298	MiniMax M2.7medium	5.0	Minimax	$0.326 ↑	50.32s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 44.9% 不安定なテスト 10 入力トークン 277,130 出力トークン 45,188 推論トークン 129,163 応答時間（平均） 50.32s 応答時間（合計） 1107.03s 応答時間（最大） 198.82s 不正解: 6 指示に従っていない: 5 無効なツール呼び出し: 2 回答なし: 2 タイムアウト: 2 API エラー: 1 エージェントタスク : 4.7 反AIトリック : 7.9 コーディング : 5.7 複合 : 3.8 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 3.9 指示追従 : 3.8 パズル解決 : 5.9 ツール呼び出し : 4.7 雑学 : 3.0
#299#299	Dots 3 Note Previewnone	5.0	Dots Studio	$0.000	5.36s
モデルカードを見る合計テスト数 23 誤答テスト数 20 信頼性 10.0 試行ごとの合格率 15.9% 不安定なテスト 1 入力トークン 225,907 出力トークン 22,507 推論トークン 0 応答時間（平均） 5.36s 応答時間（合計） 123.38s 応答時間（最大） 45.71s 不正解: 16 指示に従っていない: 2 余分な書式: 1 無効なツール呼び出し: 1 エージェントタスク : 3.9 反AIトリック : 3.1 コーディング : 4.6 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 4.8 パズル解決 : 3.3 ツール呼び出し : 10.0 雑学 : 3.0
#300#300	GPT-4o-mininone	5.0	OpenAI	$0.024	4.16s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 21.7% 不安定なテスト 0 入力トークン 145,180 出力トークン 3,627 推論トークン 0 応答時間（平均） 4.16s 応答時間（合計） 70.70s 応答時間（最大） 39.99s 不正解: 16 指示に従っていない: 1 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 4.8 コーディング : 3.2 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 4.0 指示追従 : 6.3 パズル解決 : 3.5 ツール呼び出し : 10.0 雑学 : 3.0

ベンチマーク全体の推移

現在のモデルがスコア、コスト、速度、出力の長さ、カテゴリ別性能をどう両立しているか確認できます。

チャート →

知能とコストのパレートフロンティア

主要企業の最高スコアの推移

知能と応答速度のパレートフロンティア

スコアと出力トークンのパレートフロンティア

モデル全体で見たカテゴリ難易度

クイック比較

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow